WeVisOne-VL-4B 対 UI-Venus-2-9B：一方はマスクを返し、もう一方はクリックを返す

チェックアウトページの同じスクリーンショットをWeVisOne-VL-4BとUI-Venus-2-9Bに渡すと、2種類の異なる答えが返ってくる。最初のモデルはジオメトリを返す。カートアイコンを囲むボックス、割引フィールドを囲むセグメンテーションマスク、商品写真を背景から切り抜くアルファマットだ。2つ目のモデルは操作を返す。次のタップの座標に加え、それを導き出した推論だ。TencentのWeChat Visionチームは、告知なしにWeVisOne-VL-4BをHugging Faceで公開し、技術論文の日付を2026年10月23日とした。inclusionAIのUI-Venus-2-9Bは2026年8月26日からダウンロード可能だ。両者は同じモダリティラベルに分類されるが、代替品ではない。

そのため、これは中心に珍しい問題を抱えた比較になる。両モデルには共通のベンチマークが一つもない。両方のカードに載っているスコアは一つもない。どちらも独立評価を受けておらず、どちらも推論プロバイダーによってデプロイされておらず、どちらも価格が公開されていない。正直に比較できるのは、それぞれが出力するもの、それぞれが拒否するようどのように訓練されたか、実行にかかるコスト、そしてどのライセンスで出荷することになるかだ。そこで本稿はそれを扱い、ベンダー報告の数値が現れるたびに、それをベンダー報告値として明示する。

2つのモデルは同じ問いに答えているわけではない

WeVisOne-VL-4Bは知覚モデルです。Qwen3-VLバックボーン上に構築され、必須の960万パラメータのピクセルデコーダー — mask_decoder.pt（2番目のアーティファクトとして提供） — を追加します。これは言語モデルのボックス予測をインスタンスマスクに変換し、その後ストライド1のアルファマットに変換します。座標は<0>から<1000>にわたる専用トークンとして出力され、画像に対して正規化されます。また、特別な<OBJ>トークン（ID 152,678）が高密度タスクで各ボックスを閉じます。論文のタスクリストは幾何学のリストです：オープンボキャブラリ検出、指示ローカリゼーション、計数、ポインティング、OCRローカリゼーション、指示セグメンテーション、プロンプト可能なアルファマッティング。

UI-Venus-2-9B はエージェントです。Qwen3.5-9B から初期化され、スクリーンショットのみによるインタラクションを5つのタスクファミリー——グラウンディング、CAPTCHA、モバイル、Web、コンピュータ——にわたって、中間トレーニング、オフラインのステップレベル強化学習、マルチティーチャーによるオンポリシー蒸留を通じて学習されています。その出力は「観察–推論–行動」の閉ループにおける行動であり、vLLM レシピでは --max-model-len 262144 と --reasoning-parser qwen3 を組み合わせています。これは、あらゆる行動の前に推論トークンを生成するためです。

スペックを並べて見れば、その差は一目瞭然です：

• 出力されるもの — WeVisOne-VL-4Bからのボックス、ポイント、マスク、アルファマット、UI-Venus-2-9Bからの1つのアクションとその推論トレース。

• バックボーン — WeVisOne-VL-4B には Qwen3-VL、UI-Venus-2-9B には Qwen3.5-9B。世代が異なり、テキストスタックの系統も異なります。

• サイズ — 「4B」という名称にもかかわらずリポジトリには5Bパラメータが記載されており、さらに別途9.6Mパラメータのデコーダがあります。UI-Venus-2-9Bは9Bの密モデルで、BF16の4つのシャードに分かれており、約18.8 GBです。

• 重みの形式 — WeVisOne-VL-4B のカードでは F32 safetensors を使用しており、このサイズでは異例で、ダウンロードサイズがパラメータ数から想像されるより大きくなります。UI-Venus-2-9B は BF16 です。

• ライセンス — WeVisOne-VL-4B は Apache 2.0、UI-Venus-2-9B は「最終確認待ち」。

実務上の帰結として、一方を他方の代わりにすることはできません。どちらが勝者かを教えてくれる記事は、あなたが尋ねていない問いに答えているだけです。完璧なマスクを返す知覚モデルでも、クリックすることはできません。完璧にクリックするエージェントでも、製品撮影用に欲しかったマットを渡すことはできません。

両者が本当に重なるのは、どちらのチームもモデルに「ノー」と言うように教えた点だ。

これは両方のリリースが下した唯一の設計判断であり、この組み合わせの中で最も興味深い点だ。オープンボキャブラリのローカライゼーションモデルは、特定の高コストな形で失敗する。消火器のない部屋で消火器を求めると、常に答えるモデルは自信たっぷりにラジエーターをバウンディングボックスで囲んでしまう。下流では、それがアセットパイプラインにおける幻覚オブジェクト、あるいは自動化ループにおける誤ったタップになる。

WeVisOne-VL-4B は None を返すことでそれに対処しており、論文では拒否率を精度と並ぶ独自の指標として報告している。RefCOCOg では、4B モデルが 67.4 の拒否率に達するのに対し、その Qwen3-VL-4B ベースは 18.8 にとどまる。WeChat 社内の WeRef-Bench では、ベースモデルの 61.9 に対して 96.4 の拒否率を報告し、Ref-ZOM では UniPixel-7B の 0.3 に対して 86.0 を報告している。これらは本日公開された論文による自己申告の数値であり、拒否ベンチマークは主に著者自身によるものだ——方向性は信頼できるものとして扱い、正確な差は未検証とみなすべきである。

UI-Venus-2-9Bはエージェント側から同じ問題にアプローチしており、UI-Venusシリーズから拒否認識型のグラウンディングを受け継いでいます。つまり、要求された要素が画面上に存在しない場合、もっともらしい位置を推測するのではなく、拒否するようモデルが訓練されています。そのグラウンディング数値——ScreenSpot-Pro 73.0、VenusBench-GD 77.1、OSWorld-G-R 78.5——はベンダー報告によるものであり、カードにはこれが有害行為のリスクを排除するものではないこと、また人間による確認とアプリケーションレベルの保護措置を推奨することが明記されています。安全性の表は、実際に主張している効果を示しています。OSHarmでの攻撃成功率は11.3%で、Qwen3.5-9Bベースの25.3%に対して低く、OSBlindでは48.8%で、79.4%に対して低くなっています。

どちらのモデルも、ローカライザーが嘘をつくのを目の当たりにしたチームによって構築され、どちらもカバレッジよりも棄権を選んだ。アプリケーションの故障モードが「自信を持って間違える」ことなら、その共通の優先順位はパラメータ数よりも重要だ。

Tencentのモデルカードが示していない数字

これまでのWeVisOne-VL-4Bに関するあらゆる記事は、正しく同じことを述べてきた。モデルカードにはベンチマークが掲載されていない、と。技術論文には掲載されており、それが2026年10月23日に公開された。だからこそ、これはまだ広く出回っていない部分だ。すべて著者による自己申告であり、独立に再現されたものは一つもなく、モデルはまだ公開から1日しか経っていない。したがって、これらは確定した結果ではなく、輪郭を持った主張として読むべきだ。

自身のQwen3-VL-4Bベースと比較すると、その差は十分に大きく、大幅に割り引いて考えても興味深いものになる：

• 検出、COCOゼロショット平均F1 — WeVisOne-VL-4Bが57.1、Qwen3-VL-4Bが48.7、LVISでは55.3対44.0。

• Detection、Dense200 の平均 F1 — 71.3 対 15.2。これは論文の表の誤植ではありません。密な小物体シーンこそ、ベースモデルが崩壊する場面です。

• 参照検出、RefCOCOg val — 80.8 対 74.1、拒否率は 67.4 対 18.8。

• 計数、PixMo-Count の val 完全一致 — 93.7 対 69.6、MixCount の val では 42.0 対 3.5。

• Pointing、PointBench F1 — 71.9 対 57.1。

• OCRローカリゼーション、SROIE平均F1 — 68.1 対 40.4、PP-OCRv5の58.6を上回る。

• 参照セグメンテーション、ReasonSeg val gIoU — 71.2（LISA-13B は 65.0）。

• プロンプト可能なマッティング、AM-2KのボックスプロンプトMAD — SAM2-Mattingの12.1に対して5.0、WeRefMatの参照プロンプトでは51.9に対して9.8。

マッティング結果こそ、立ち止まって見る価値がある。なぜならそれは、この価格帯でプロンプトを通じて提供できる能力が他にないものだからだ。視覚言語モデルに「人物をアルファマットとして」と尋ね、MADでSAM2のマッティングパイプラインを上回るストライド1の出力を得ることは、マスクを付けた検出ヘッドとは別の製品である。またここは、論文が自らの4Bに最も手厳しい評価を示す箇所でもある。P3M-500-NPのボックスプロンプトでは、2BモデルがMAD 6.6を記録し、4Bの7.3に対して優位に立つ。つまり、大きい方のバリアントが一様に優れているわけではなく、著者らはそのことも明記している。

UI-Venus-2-9Bの数値が何を測っているのか、そしてなぜそれらは転用できないのか

2つのベンチマークスイートを並べてみると、比較不能という問題はもはや技術的な細かい話ではなくなる。UI-Venus-2-9Bの主要な結果はすべて、ある環境における最終状態の成功率である。AndroidWorld 80.2、OSWorld-Verified 70.8、WebVoyager 90.8、Online-Mind2Web 74.0、MobileWorld 65.8（カードのデフォルトのステップ予算時）および75.2（100ステップ時）。これらの数値はタスクが完了したかどうかを測るもので、知覚、計画、記憶、エラー回復を1つの数値にまとめ込んでいる。

最も近い共通軸はGUI groundingです。UI-Venus-2-9BはScreenSpot-Proで73.0を記録しています。これは高解像度スクリーンショット内の小さなインターフェース要素を特定するベンチマークですが、WeVisOne-VL-4Bはそれを報告していません。WeVisOne-VL-4BはOCRローカリゼーションとdense pointingの結果を報告しており、UI-Venus-2-9Bはそれらを報告していません。したがって、正直な立場としては、この比較に最も有用な単一の数値はまだ存在しません。WeVisOne-VL-4BをScreenSpot-Proで実行すれば、5Bの知覚特化モデルがボタンを見つける際に9Bのエージェントを上回るかどうかが分かります。そして、誰かがそれを実行するまで、これら2つをgroundingで順位付けする人は推測していることになります。

エージェント自身のスイートも、その弱点を公の場にさらしている。OSWorld 2.0では9Bモデルがpartialで7.5、binaryで0.0を記録し、27Bの兄弟モデルはpartialで13.2、binaryで2.8に達する。このサイズでは長期的なデスクトップ作業は解決されておらず、カードにもそう明記されている。

それらを提供する方が、ベンチマークの差よりも大きなギャップだ

来週何を実行するかを決めようとしているチームにとって、運用上の違いはどのスコアよりも重要になります。UI-Venus-2-9B は単一モデルで、1 つの vLLM コマンドで起動でき、テンソル並列度 1 の OpenAI 互換エンドポイントを公開します。WeVisOne-VL-4B は、GitHub から取得する推論パッケージに加えて別個のデコーダー成果物が必要で、独自の WeVisOneVL(...) ラッパーを通じて task 引数を付けて呼び出します — predict(image, task="matting", query="person", temperature=0.0)。モデルカードには Transformers、vLLM、SGLang の経路が記載されていますが、ピクセルデコーダーは省略できません。言語モデルだけではマスクを生成できないからです。

メモリはパラメータ数が示唆するよりも近い。bf16では5Bバックボーンはデコーダ前でおよそ10 GBで、UI-Venus-2-9Bの4シャードの約18.8 GBに対してである。どちらも重みは単一の24 GBカードに収まる。異なるのはコンテキストにどれだけ余地が残るかだ。

そしてコンテキストについては、この2つの設定は、つい過大に読み取ってしまいやすい形で一致している。WeVisOne-VL-4B の設定は max_position_embeddings を 262,144 としており、UI-Venus-2-9B が最大モデル長 262,144 で提供する上限と同じだ。しかし両者はそれを別の用途に使っている。エージェントは長いコンテキストをエピソード記憶として扱い、タスクのスクリーンショット履歴を保持する。一方、知覚モデルの公開評価は画像あたり 1,960 個の視覚トークンで実行される。単一ターンかつ画像のみのモデルにおける 256K ウィンドウは上限であって、実証された能力ではなく、モデルカードには動画グリッドがピクセルデコーダーによって完全に拒否されると記載されている。

ライセンス: これらのうち1つは確定しており、もう1つは確定していません。

WeVisOne-VL-4B は Apache 2.0 で、Tencent が作成したコードも同じ条件の下にあります。読むことも、フォークすることも、製品に組み込んで出荷することもでき、その際に弁護士に相談する必要はありません。

UI-Venus-2-9Bのカードには、モデル重みのライセンスは最終確認待ちであり、公開リリース前に追記されること、また以前のApache-2.0宣言は上流資料にライセンス記述の矛盾があるため意図的に引き継がれなかったことが記載されている。この文は8月からカードに載っており、変わっていない。モデルの評価を妨げるものではなく、ほとんどの組織で内部利用を妨げるものでもない — しかし、それらの重みの上に構築された外部製品は未解決の問いの上に構築されるということであり、ベンチマークスコアをどれだけ積んでもそれは解決しない。この2つから出荷予定の何かを選ぶなら、ライセンスの列の方が精度の列より速く決め手になる。

どちらにも価格が付いていないことを踏まえると、それぞれの費用はいくらになるのか

どちらのモデルにも、ベンダーが設定したトークンあたりの価格はありません。WeVisOne-VL-4Bのページには、どの推論プロバイダーにもデプロイされていないと書かれています。UI-Venus-2-9Bにはファーストパーティのエンドポイントがなく、inclusionAIが公開した料金表もないため、サードパーティのホストがそれに対して請求する金額はそのホストの数字であり、チームの数字ではありません。どちらの場合もコストは、レンタルまたは自前のハードウェア上でのGPU時間です。つまり比較すべきは「入力価格対出力価格」ではなく、「どれだけのGPUカードが必要で、1秒あたり何枚の画像を処理できるか」です。

どちらの論文もスループットやレイテンシを公開していないため、その2つ目の数値は両方とも不明です。分かるのはその形です。UI-Venus-2-9Bは、エピソードの各ステップで9Bのフォワードパスに加えて推論トークンのコストを払い、エージェントのエピソードは多くのステップから成ります。WeVisOne-VL-4Bは、画像1枚ごとに5Bのパスに加えてデコーダのフォワード1回分のコストを払い、1枚の画像が1回の呼び出しです。ワークロードが10万枚の商品写真であれば、知覚モデルの経済性は画像単位で予測可能です。ブラウザタスクであれば、エージェントのコストはタスクに必要なアクション数に比例し、それがカードから予測できない数値です。

ルーティング層がスローガンではなく真価を発揮するのも、こうした場面です。現時点でどちらのモデルもOrcaRouterには載っておらず、本稿はその点をごまかすつもりはありません。WeVisOne-VL-4Bには推論プロバイダーがまったくなく、UI-Venus-2-9Bは当社自身のカタログではなくサードパーティのホスティングによって提供されています。OrcaRouterが実際に提供しているモデルについて実現しているのは、単一のOpenAI互換エンドポイントを200+のモデルにわたり0%のマークアップで提供し、プロバイダーの定価を変更せずにそのまま反映することです。そのため、ベンダーの値下げは次回の契約更新時ではなく、実施された当日にあなたへ届きます。知覚モデルとエージェントモデルを順に呼び出すアーキテクチャにとって、その構成が宿るのはルーティングDSLです。2つのモデル呼び出しがあり、どちらのレッグも1か所で差し替えられます。そして、自動フェイルオーバーは、背後にあるモデルがエピソードの途中で劣化したときにエージェントループを維持するものです。この2つのどちらかがプロバイダーで利用可能になった瞬間、それがあなたのスタックに属するかどうかを最も安価に確かめる方法になります。

どちらを選ぶべきですか

その決定は順位づけではなく職務記述だ。

• 必要な出力がジオメトリなら、WeVisOne-VL-4B を選んでください — アノテーションパイプライン向けのバウンディングボックス、編集ツール向けのマスク、製品画像向けのアルファマット、高密度の航空フレーム内の物体数、または座標付きの OCR です。オープンな 5B クラスでテキストプロンプトからマットを返すものは他になく、SAM2 パイプラインに対する論文のマッティング数値は、このリリースにおける最も強い主張です。

• 必要な出力が「完了したタスク」——記入済みのフォーム、操作済みのアプリ、解決済みのCAPTCHA、スクリーンショットから駆動されるデスクトップワークフロー——であるなら、UI-Venus-2-9Bを選んでください。OpenAI互換エンドポイントを備えた1本のvLLMコマンドとして提供されるため、1週間ではなく1日で導入でき、そのAndroidWorldとWebVoyagerの結果は、ご自身の環境と照らし合わせるべき指標となります。

• 出荷する製品に独立した証拠、公開価格、確定したライセンスが必要なら、まだどちらも選ばないでください。UI-Venus-2-9Bのライセンスと両モデルのベンチマークについては、その3つすべてが欠けています。

• 画面をクリックして回るだけでなく、画像を操作する必要があるエージェントを構築しているなら、両方を検討してください。興味深いのはその組み合わせです。UI-Venus-2-9B がどこで操作するかを決め、WeVisOne-VL-4B がその操作が目指していたピクセル精度の成果物を生成します。これにはステップごとに2回のモデル呼び出しが必要になりますが、どちらか一方だけでは得られない精度が得られます。

何がこの回答を変えるでしょうか

それをどれだけ動かすかの順に、4つのこと。

WeVisOne-VL-4BによるScreenSpot-Proの実行結果。これは双方が妥当に土俵にできる唯一のベンチマークであり、半分のサイズの知覚特化モデルが専用設計のUIエージェントをローカライズで上回るかどうかを決着づけるだろう。GPUと半日があれば誰でも出せるのに、誰もやっていない。

どちらのモデルについても独立した評価。この記事のすべての数値は、そのものを作ったチームが執筆したモデルカードまたは論文に由来している。それはリリース当日としては普通のことだが、それでもなお欠けているものだ。

UI-Venus-2-9Bのライセンス確定。モデルカードには8週間もの間「最終確認待ち」と表示されている。許容的な内容で確定すれば、このエージェントは商用業務向けにかなり推薦しやすくなる。そうならなければ、それは問いに対して逆の答えを出すことになる。

どちらについてもファーストパーティのエンドポイントが利用できる。現在、どちらのベンダーも自社モデルを提供していないため、対象はサービングスタックを運用する意欲のあるチームに限られ、WeVisOne-VL-4B 側ではカスタム推論パッケージを動かす意欲のあるチームに限られる。ベンダーが公表する料金があれば、コスト比較は計算から明細項目へと変わるだろう。

それまでは、公平な要約はこうだ。Tencentは、これまで小規模なオープンモデルがなし得なかったことを成し遂げる知覚ツールキットを、そのベンチマーク表がまだ誰にも読まれていないほど静かにリリースした。そしてAnt Groupは1か月半前に、より実行しやすく、ライセンスしにくいエージェントをリリースした。両者は競合ではない。間違いは、両者が共有しないベンチマークで他方が高いスコアを出したという理由で一方を選ぶことだ。